分类：量化与数据

能把单脚本项目重构成「数据 / 配置 / 策略 / 回测 / 日志」分层的模块化结构；能用 YAML 配置文件管理策略参数，实现「改参数不改代码」

能说清普通 K-Fold 在时间序列上为什么造成数据泄漏（Data Leakage）；能正确使用 sklearn 的 TimeSeriesSplit 做滚动前推验证

能说出金融 ML 与图像/文本任务的三点本质区别（信噪比、样本量、非平稳）；能用 Pandas 批量构造滞后收益、滚动波动率、量价比值、乖离率等基础特征，并理解「特征是策略思路的量化表述」

能用白话向别人区分「相关」与「协整」，并说出为什么挑配对不能只看相关；能用 statsmodels 的 coint 检验两只资产是否存在协整关系，并能手工复现 Engle-Granger 两步法

能用白话向别人解释平稳性，并从走势图上分辨「平稳」与「不平稳」的长相；能用 statsmodels 的 adfuller 做 ADF 检验，并正确解读 p 值（知道原假设是什么）

能用相关系数判断两个策略是「真分散」还是「假分散」；能把多个策略的日收益按权重合并成一条组合净值曲线，并算出组合的年化收益、夏普与最大回撤

能写出四类退出规则：固定百分比止损、ATR 自适应止损、移动止盈（trailing stop）、时间止损；能把风控逻辑插入事件驱动回测，验证「带刹车」与「不带刹车」的差别

能计算个股/行业相对基准的相对强弱曲线（比值线）与 RPS 排名；能实现行业动量轮动：每月选相对强度排名前 N 的行业持有

能用「均线结构 + 波动率状态」搭建一个三态分类器：趋势上 / 震荡 / 趋势下；能用 Python 实现状态识别，并把状态序列画在价格图上做可视化着色

能写出打分法的完整流水线：去极值 → 标准化 → 加权合成 → 排序取 TopN；能实现 zscore 标准化与缩尾去极值，并说清为什么每一步都不能省

能解释什么是因子（Factor）、因子暴露与因子收益；能用 Python 计算 Rank IC 序列，并解读其均值、标准差与 ICIR

能说清二八轮动的完整规则：比较池、动量口径、调仓频率、平手规则；能用 Python 实现月度调仓的轮动回测（严格无未来函数）